MEDVASC - IA et Santé : une synthése des bases d'uilisation de l'IA

" la confrontation entre IA et médecine met en lumière une transformation majeure où l'IA est un outil puissant et prometteur d'aide à la décision, mais qui doit être intégrée avec soin et éthique dans la pratique médicale, le médecin demeurant au cœur du processus clinique pour garantir sécurité, responsabilité et humanité dans les soins." Edward J Harvey, Chad G Ball

confrr

Angus DC and Coll, JAMA Summit on AI. AI, Health, and Health Care Today and Tomorrow: The JAMA Summit Report on Artificial Intelligence.Intelligence artificielle, santé et soins de santé aujourd'hui et demain : rapport du sommet JAMA sur l'intelligence artificielle

JAMA. 2025 Nov 11;334(18):1650-1664. doi: 10.1001/jama.2025.18490. PMID: 41082366.
https://jamanetwork.com/journals/jama/fullarticle/2840175
Article en libre accès

Importance

L’intelligence artificielle (IA) transforme la santé et les soins de santé à une échelle sans précédent. Si les avantages potentiels sont considérables, les risques le sont tout autant. Le sommet JAMA sur l’IA a examiné comment l’IA dans le domaine de la santé devrait être développée, évaluée, réglementée, diffusée et surveillée.

Observations

L’intelligence artificielle (IA) dans le domaine de la santé et des soins de santé est très vaste. Elle englobe les outils cliniques (par exemple, les alertes de septicémie ou les logiciels de dépistage de la rétinopathie diabétique), les technologies utilisées par les personnes ayant des problèmes de santé (par exemple, les applications mobiles de santé), les outils utilisés par les systèmes de santé pour améliorer leurs opérations (par exemple, la gestion du cycle de facturation ou la planification des rendez-vous) et les outils hybrides qui prennent en charge à la fois les opérations administratives (par exemple, la documentation et la facturation) et les activités cliniques (par exemple, la suggestion de diagnostics ou de plans de traitement). De nombreux outils d’IA sont déjà largement utilisés, notamment en imagerie médicale, en santé mobile, dans la gestion des opérations de santé et pour des fonctions hybrides comme la transcription des consultations externes. Tous ces outils peuvent avoir des effets importants sur la santé (positifs ou négatifs), mais ces effets ne sont souvent pas quantifiés car les évaluations sont extrêmement complexes ou non requises, en partie parce que beaucoup échappent au contrôle réglementaire de la FDA (Food and Drug Administration) américaine. L’une des principales difficultés d’évaluation réside dans le fait que les effets d’un outil dépendent fortement de l’interface homme-machine, de la formation des utilisateurs et du contexte d’utilisation. De nombreuses initiatives définissent des normes pour une utilisation responsable de l'IA, mais la plupart se concentrent sur la surveillance de la sécurité (par exemple, la détection d'hallucinations induites par les modèles) ou sur la conformité institutionnelle aux différentes procédures, sans aborder l'efficacité (c'est-à-dire la démonstration d'une amélioration des résultats). Garantir un déploiement équitable de l'IA, améliorant les résultats de santé ou, si elle améliore l'efficacité des soins, la sécurité de l'ensemble du système, exige des progrès dans quatre domaines. Premièrement, une implication multipartite est nécessaire tout au long du cycle de vie du produit. Cela impliquerait un partenariat renforcé entre les utilisateurs finaux et les développeurs lors de la création initiale des outils, ainsi qu'un partenariat plus étroit entre les développeurs, les organismes de réglementation et les systèmes de santé pour l'évaluation des outils une fois déployés. Deuxièmement, des outils de mesure pour l'évaluation et le suivi doivent être développés et diffusés. Au-delà des initiatives de suivi et de certification proposées, cela nécessitera de nouvelles méthodes et une expertise accrue pour permettre aux systèmes de santé de mener ou de participer à des évaluations d'efficacité rapides, efficaces et rigoureuses. Troisièmement, il est essentiel de créer une infrastructure de données et un environnement d'apprentissage représentatifs à l'échelle nationale afin de favoriser la production de connaissances généralisables sur les effets des outils d'IA sur la santé dans différents contextes. Quatrièmement, il convient de promouvoir une structure incitative, en utilisant les forces du marché et les leviers politiques, pour impulser ces changements.

Gemini Generated Image fvoixgfvoixgfvoi

Encadré. Nature et utilisation générales de l’intelligence artificielle (IA)

Le terme intelligence artificielle (IA) recouvre un large champ. Pendant des décennies, l’IA se limitait à des représentations fondées sur des règles — des logiciels codant des énoncés logiques du type « si X, alors Y » — et à des modèles de prévision (réseaux neuronaux artificiels), produisant des résultats similaires à ceux des logiciels et des modèles statistiques traditionnels. Cependant, grâce aux progrès de la puissance informatique et à la disponibilité de jeux de données plus vastes et plus complexes au cours des vingt dernières années, l’IA a évolué rapidement.

Trois avancées majeures distinguent l’IA des technologies numériques antérieures :

Apprentissage profond (Deep learning) : création de réseaux neuronaux plus profonds et plus complexes capables d’interpréter de grands ensembles de données complexes afin de réaliser des tâches précises mais difficiles (par exemple, la vision par ordinateur).
IA générative (Generative AI) : prolongement de l’apprentissage profond reposant sur de grands modèles de langage ou des modèles fondamentaux capables de générer de nouveaux contenus pour répondre à des demandes beaucoup plus larges (par exemple, ChatGPT ou Gemini).
IA agentique (Agentic AI): Prolongement de l’apprentissage profond et de l’IA générative, cette approche permet la prise de décision autonome (par exemple, le logiciel de pilotage automatique de Tesla pour la conduite autonome).

Cet article se concentre sur les outils d’IA récents utilisés par les cliniciens, les systèmes de santé et les particuliers préoccupés par leur santé. Les nouvelles technologies d’IA déployées plus largement dans la société peuvent également influencer la santé. Voici quelques exemples :

Les outils d’IA utilisés dans les sciences de la vie (par exemple, pour accélérer la découverte de nouveaux médicaments, améliorer la conduite des essais randomisés ou l’analyse des données de santé) peuvent améliorer la recherche biomédicale.
Les outils d’IA employés pour agir sur les déterminants sociaux (par exemple, pour améliorer l’accès au logement ou la sécurité alimentaire) peuvent avoir des effets indirects sur la santé.
Les outils d’IA intégrés dans la communication et les interactions sociales (par exemple, les algorithmes utilisés sur les plateformes de médias sociaux) peuvent influencer la santé mentale, la diffusion d’informations (ou de désinformation) sur la santé et les soins, ainsi que certains comportements, comme les attitudes face à la vaccination.
L’usage généralisé d’outils visant à accroître l’efficacité au travail — par exemple, ChatGPT pour la rédaction de rapports biomédicaux ou Gemini pour les recherches en ligne — pourrait modifier la manière dont l’information médicale est résumée, diffusée et utilisée.

Catégories d’outils d’intelligence artificielle (IA) influençant directement la santé et sa prise en charge	Clinique	Direct au consommateur	Opérations commerciales	Hybride
Description	Outils IA utilisés par un clinicien pour soutenir les décisions de diagnostic ou de traitement	Outils IA utilisés par une personne ayant des préoccupations de santé ou de bien-être, sans nécessairement interagir avec un système ou professionnel de santé	Outils IA utilisés par un système ou professionnel de santé pour optimiser des aspects de la prise en charge	Outils IA servant plusieurs objectifs (ex. clinique et opérations commerciales)
Opportunité	Améliorer les résultats patients via un meilleur accès aux soins, la précision diagnostique, et le respect des recommandations cliniques	Plus de soins personnalisés	Améliorer la santé des patients et des populations via une meilleure surveillance et gestion des maladies, aider à adopter des modes de vie sains et des stratégies de prévention	Accès aux soins plus rapide, personnalisé et/ou moins coûteux
			Améliorer la prise en charge via l’automatisation de processus lourds, la réduction de la charge administrative, la diminution du gaspillage, l’amélioration des revenus	Améliorer la prise en charge via la réduction de la charge administrative des professionnels, l’aide à l’exécution des tâches, l’orientation des patients dans le système
Exemples	Logiciel IA pour le dépistage autonome de la rétinopathie diabétique, logiciel embarqué dans une échographie portable fournissant un diagnostic automatique, algorithme basé sur DME générant des alertes de sepsis avec recommandations	Application smartphone pour diagnostiquer et traiter les affections cutanées, chatbot de soutien en santé mentale, algorithme exploitant les données de biosenseurs de montres connectées pour détecter chutes ou arythmies	Algorithme optimisant la facturation via codage DME, logiciel de gestion optimisée de la chaîne d’approvisionnement, logiciel d’optimisation des plannings personnel/patient	IA ambiante transcrivant les conversations patient-clinicien pour générer notes, factures, plans, grand modèle linguistique répondant aux messages sécurisés, navigateur web planifiant rendez-vous selon les besoins patients
Tendances actuelles	Nombreuses évaluations publiées ; efforts réglementaires importants ; large adoption en imagerie médicale ; forte disponibilité mais adoption variable des outils intégrés DME ; faible adoption en dehors de l’imagerie/DME avec questions sur la confiance, l’efficacité, la sécurité, les coûts	Nombreuses applications et téléchargements ; peu de données sur les effets santé, inquiétudes sur sécurité et efficacité ; très faible réglementation sur les effets santé ; modèle économique optimal incertain ; faible intégration avec autres produits ou système de soins	Marché en forte croissance, adoption large par les systèmes de soins ; très peu d’évaluation des effets santé ; réglementation limitée ; préoccupations des cliniciens sur effets indésirables	Marché en croissance rapide, large intérêt et adoption ; peu d’évaluation des effets santé ; réglementation limitée ; préoccupations des cliniciens sur effets indésirables

Tableau 2. Stratégies pour améliorer le développement et la diffusion des outils d’intelligence artificielle (IA) en santé et dans les soins de santé

Stratégie	Justification	Exemples de mise en œuvre
Impliquer toutes les parties prenantes dans la gestion du cycle de vie complet du produit	Le parcours séquentiel traditionnel, allant du développement à l’évaluation, puis à l’autorisation réglementaire (si nécessaire), à la diffusion et à la surveillance (si nécessaire), chaque étape étant supervisée par des acteurs différents, n’est pas bien adapté aux outils d’IA. En particulier, une évaluation complète des conséquences sur la santé n’est possible qu’après la diffusion de l’outil. Une plus grande implication de toutes les parties prenantes à chaque phase du cycle de vie d’un outil peut renforcer son développement, sa diffusion et son impact sur la santé.	- Impliquer les patients et les cliniciens dans la conception et le développement.

Associer les développeurs aux systèmes de santé pour les évaluations de déploiement et l’atténuation des risques.
Associer les autorités de régulation, les systèmes de santé et les développeurs à un plan de surveillance collaboratif, incluant la détermination de la nécessité de recueillir les conséquences sur la santé. |
| Développer et mettre en œuvre les bons outils de mesure pour l’évaluation, la régulation et la surveillance
| Sans nouvelles méthodes, tout effort visant à renforcer la supervision et la garantie de qualité risque d’être lourd, coûteux et potentiellement inefficace. En particulier, il n’existe pas de bons outils permettant d’évaluer rapidement et efficacement les effets sur la santé des outils d’IA dans toutes les situations et contextes d’utilisation.
| - Intégrer et mettre en œuvre les approches proposées en matière de sécurité et de conformité (ex. collaboration Joint Commission/CHAI).
Développer et diffuser de nouvelles méthodes permettant des évaluations rapides, efficaces et robustes des conséquences sanitaires.
Adopter des normes pour l’évaluation des conséquences sur la santé (et pas seulement de la sécurité) lors du déploiement. |
| Construire une infrastructure de données et un environnement d’apprentissage appropriés
| Sans une meilleure infrastructure de données et un environnement d’apprentissage adaptés, tout effort pour renforcer la supervision et l’assurance qualité risque d’être complexe, coûteux et inefficace. En particulier : une collecte de données insuffisante, un accès limité et un manque d’interopérabilité nuisent à la capacité de collecter et d’analyser rapidement des données représentatives à l’échelle nationale sur l’utilisation et les effets des outils d’IA. De plus, les institutions capables de déploiements et d’évaluations robustes peuvent ne pas représenter adéquatement de nombreux contextes importants.
| - Créer un bac à sable de données de santé rétrospectives représentatif à l’échelle nationale.
S’inspirer du programme Sentinel de la FDA et des initiatives de systèmes de santé apprenants pour soutenir la collecte régulière de données sur le déploiement des outils dans une cohorte représentative de systèmes de santé.
Créer à terme une plateforme fédérée permettant des évaluations prospectives rapides capables d’inférences causales solides.
Fournir des formations et des ressources aux systèmes de santé pour qu’ils puissent conduire ou participer à l’évaluation des impacts sanitaires des outils d’IA. |
| Créer une structure d’incitations adaptée | Les incitations actuelles ne sont pas bien harmonisées entre les différentes parties prenantes, ce qui peut freiner les progrès. Les forces du marché seules ne garantissent pas un développement et une diffusion optimaux des outils d’IA.
Les initiatives stratégiques mentionnées ci-dessus peuvent nécessiter des incitations spécifiques. | -
Financement fédéral (semblable à celui fourni par la loi HITECH) pour encourager les systèmes de santé à adopter des normes d’interopérabilité des données.
Financement public de la recherche pour le développement de nouvelles méthodes. |

Abbreviations:
CHAI, Coalition for Health AI ; FDA, Food and Drug Administration (agence américaine des produits alimentaires et médicamenteux) ;
HITECH, Health Information Technology for Economic and Clinical Health Act (loi sur les technologies de l’information en santé pour l’efficacité économique et clinique).

Conclusions and Pertinence

L’IA va bouleverser tous les aspects de la santé et des soins de santé dans les années à venir. Face aux nombreux problèmes persistants du système de santé, cette transformation représente une formidable opportunité. Toutefois, la probabilité que cette transformation améliore la santé de tous dépendra fortement de la mise en place d’un écosystème capable de générer rapidement, efficacement, de manière fiable et généralisable des connaissances sur les conséquences de ces outils sur la santé.

RESUME GENERATIF

Ce document traite de l'impact de l'intelligence artificielle sur la santé et les soins de santé, en abordant les défis et les opportunités liés à son développement et à son utilisation.

L'impact de l'IA sur la santé

L'intelligence artificielle (IA) transforme la santé et les soins de santé à une échelle sans précédent, offrant à la fois des avantages et des risques significatifs.

* L'IA change la manière dont les individus recherchent des soins et comment les cliniciens interagissent avec les patients.

* Les outils d'IA incluent des alertes cliniques, des applications de santé mobile et des technologies pour améliorer les opérations des systèmes de santé.

* Plus de 1200 outils d'IA ont été approuvés par la FDA, principalement dans l'imagerie médicale.

90 % des systèmes de santé américains adoptent des outils d'IA, en particulier pour l'imagerie médicale.

Défis de l'évaluation des outils d'IA

L'évaluation des outils d'IA en santé est complexe et souvent négligée, malgré leur potentiel d'impact sur les résultats de santé.

* Les outils d'IA nécessitent des évaluations rigoureuses pour générer des connaissances généralisables sur leurs effets.

* Les outils cliniques et DTC (direct-to-consumer) sont souvent évalués, mais les outils d'opérations commerciales le sont rarement.

* Les défis incluent la définition de l'intervention, l'identification des mécanismes d'action et la capture des résultats.

* Peu d'outils d'IA ont été évalués par des essais cliniques randomisés (ECR), rendant difficile l'inférence causale.

Réglementation des outils d'IA en santé

Il n'existe pas de cadre réglementaire complet pour l'IA en santé aux États-Unis, ce qui complique la protection des individus et l'atteinte des bénéfices potentiels.

* La FDA régule les outils d'IA classés comme dispositifs médicaux, mais de nombreux outils échappent à cette réglementation.

* Les différences internationales dans la réglementation de l'IA, comme celles entre les États-Unis et l'Union européenne, compliquent l'harmonisation.

* Les efforts pour établir des normes de réglementation pour l'IA sont en cours, mais des défis subsistent.

Opportunités et défis de l'IA

L'IA représente une opportunité incroyable pour résoudre des problèmes de longue date dans les soins de santé, mais des défis doivent être surmontés pour garantir des résultats positifs.

* L'engagement des parties prenantes tout au long du cycle de vie des produits est essentiel pour le développement et l'évaluation des outils d'IA.

* La création d'une infrastructure de données représentative au niveau national est nécessaire pour générer des connaissances généralisables.

* Un cadre d'incitation doit être promu pour encourager l'innovation et l'évaluation des outils d'IA.

* L'IA pourrait améliorer l'accès aux soins, la précision des diagnostics et la conformité aux meilleures pratiques, mais des préoccupations subsistent quant à la sécurité et à l'efficacité.

Approche de Régulation des Outils d'IA

L'approche de la FDA pour la régulation des dispositifs médicaux, y compris ceux basés sur l'IA, est limitée par des ressources et des lois.

* La FDA utilise une approche basée sur le risque et spécifique à la fonction pour évaluer la sécurité et l'efficacité.

* La loi sur les Cures du 21e siècle exclut certains logiciels, y compris ceux basés sur l'IA, de la définition de dispositif médical.

* De nombreux outils d'IA sont exemptés de la réglementation de la FDA, et la démonstration d'améliorations cliniques n'est pas toujours requise.

* Les outils d'IA générative et agentique posent des défis à la régulation traditionnelle des dispositifs médicaux.

Défis de l'Implémentation et de la Surveillance des Outils d'IA

L'implémentation et la surveillance des outils d'IA en santé sont compliquées par leur dépendance à la formation des utilisateurs et au contexte d'utilisation.

* L'efficacité des outils dépend fortement de la formation des utilisateurs et du contexte d'utilisation.

* Les systèmes de santé manquent souvent d'infrastructure et de ressources pour garantir une utilisation optimale des outils d'IA.

* Les outils peuvent ne pas avoir été suffisamment évalués avant leur utilisation, rendant leur bénéfice incertain dans des contextes spécifiques.

* Les outils DTC (direct-to-consumer) échappent à la surveillance de la FDA, mais sont soumis à des directives de la FTC.

Stratégies pour Améliorer l'IA en Santé

Des stratégies sont nécessaires pour améliorer le développement et la diffusion des outils d'IA dans le secteur de la santé.

* Impliquer tous les acteurs dans la gestion du cycle de vie des produits pour une meilleure évaluation et diffusion.

* Développer des outils de mesure appropriés pour l'évaluation, la régulation et la surveillance des outils d'IA.

* Construire une infrastructure de données adéquate pour faciliter l'évaluation des conséquences des outils d'IA.

* Créer une structure d'incitation appropriée pour aligner les intérêts des parties prenantes.

Implications pour la main-d'Œuvre de Santé

L'impact de l'IA sur la main-d'œuvre de santé est vaste, affectant les rôles et les compétences des professionnels de santé.

* Les cliniciens peuvent ressentir de l'excitation face aux avantages potentiels, mais aussi des inquiétudes concernant le remplacement d'emplois.

* L'IA peut modifier qui exécute quelles tâches, augmentant l'accès aux soins, mais créant des frictions entre les groupes professionnels.

* Une compréhension fondamentale de l'IA doit être intégrée dans la formation des professionnels de santé.

* Les outils d'IA visent à réduire la charge administrative, mais cela pourrait également entraîner une augmentation de la charge de travail des cliniciens.

Considérations Éthiques et Légales

Des questions éthiques et légales importantes entourent l'adoption des outils d'IA en santé.

* Les droits sur les données de santé et la propriété des données sont des préoccupations majeures.

* La nécessité d'une supervision éthique des outils d'IA déployés est débattue, avec des implications pour la recherche et l'amélioration de la qualité.

* L'utilisation des outils d'IA pourrait devenir une norme de soins, soulevant des questions de responsabilité en cas de résultats indésirables.

* Les parties prenantes doivent adopter des stratégies pour gérer les risques de responsabilité liés à l'utilisation des outils d'IA.

Conclusion sur l'Impact de l'IA

L'IA est sur le point de transformer radicalement la santé et la prestation de soins, mais cela nécessite un écosystème robuste pour évaluer ses conséquences.

* Les approches traditionnelles d'évaluation et de régulation sont mises à l'épreuve par l'IA générative et agentique.

* L'adoption rapide des outils d'IA pourrait résoudre des problèmes de longue date dans le secteur de la santé.

* La création d'un écosystème capable de générer des connaissances sur les conséquences des outils d'IA est essentielle pour améliorer la santé de tous.

Promotion de la transparence dans l'IA

L'article discute de l'importance de la transparence dans l'utilisation de l'intelligence artificielle (IA) pour la recherche biomédicale et comportementale.

* La transparence est essentielle pour la confiance dans les modèles d'IA.

* Les chercheurs doivent suivre des lignes directrices de rapport pour garantir la clarté et la responsabilité.

* Des outils comme le modèle APPRAISE-AI sont développés pour évaluer quantitativement les études d'IA.

Évaluation des modèles de prédiction clinique

Cette section examine l'adhérence aux lignes directrices de rapport par des modèles de prédiction clinique.

* Une revue systématique a été réalisée sur les modèles d'un seul fournisseur.

* L'adhérence aux lignes directrices est souvent insuffisante, ce qui soulève des préoccupations sur la qualité des rapports.

Directives pour les essais cliniques avec IA

Les lignes directrices pour les essais cliniques impliquant l'IA sont discutées.

* Le CONSORT-AI et le SPIRIT-AI fournissent des extensions pour les rapports d'essais cliniques.

DECIDE-AI est une nouvelle directive pour l'évaluation précoce des systèmes de soutien à la décision.

Intégration de l'IA dans les soins de santé

Cette section aborde l'intégration de l'IA dans le système de santé.

* Un écosystème de données numériques interopérable est nécessaire pour une intégration efficace.

* Des initiatives comme ARPA-H visent à accélérer les percées biomédicales.

Surveillance et réglementation de l'IA

L'importance de la surveillance et de la réglementation de l'IA dans les soins de santé est soulignée.

* Des méthodes comme l'algorithmovigilance sont nécessaires pour analyser l'efficacité de l'IA.

* La FDA et d'autres organismes doivent adapter leurs approches pour suivre l'évolution rapide de l'IA.

Éthique et responsabilité dans l'IA

Cette section traite des considérations éthiques liées à l'utilisation de l'IA.

* Un cadre éthique est nécessaire pour les systèmes de santé apprenants.

* L'engagement et la transparence sont cruciaux pour garantir la responsabilité.

Propriété des données des patients

La question de la propriété des données de santé des patients est explorée.

* Les patients doivent avoir un contrôle accru sur leurs données de santé.

* Les lois comme HIPAA et GDPR doivent être mieux comprises et appliquées.

Éducation et compétences en IA

L'éducation des professionnels de la santé sur l'IA est essentielle.

* Des compétences spécifiques pour l'utilisation des outils d'IA doivent être développées.

* L'intégration de l'IA dans les programmes éducatifs médicaux est nécessaire pour préparer les futurs professionnels.

SYNTHESIS NOTEBOOK LM
Le rapport du Sommet JAMA sur l'intelligence artificielle (IA) discute de l'impact transformateur de l'IA sur les soins de santé, en mettant en lumière à la fois les avantages potentiels massifs et les risques significatifs de cette technologie. Les auteurs, un large éventail d'experts, soulignent que l'IA est déjà largement adoptée dans des domaines comme l'imagerie médicale et les opérations commerciales, bien qu'une grande partie de ces outils échappent à la surveillance réglementaire de la Food and Drug Administration (FDA). Un défi majeur identifié est le manque de méthodes d'évaluation robustes pour mesurer l'efficacité (c'est-à-dire les résultats pour la santé) des outils d'IA une fois déployés en pratique clinique. Pour garantir que l'IA améliore réellement les résultats pour la santé de manière équitable, le rapport recommande une collaboration multipartite accrue, le développement de nouveaux outils de mesure et la création d'une infrastructure nationale de données pour un apprentissage continu. En conclusion, les auteurs estiment que l'amélioration des soins de santé dépendra de la mise en place d'un écosystème capable de générer des connaissances rapides et généralisables sur les conséquences de ces outils.

Commentaire
L'IA est à la fois positive en médecine mais aussi potentiellement néfaste. Il s'agit pour la pratique d'un équilibre que l'on doit rendre stable. L'instabilité de la relation IA/MÉDECINE sera le plus souvent délétère. Toutefois, ce qui est sûr, c'est que l'IA va améliorer l'exercice de la médecine sur tous les plans : diagnostic, imagerie, biologique, thérapeutique, suivi et surtout prévention. Mais, tout ne peut se faire sans une certaine réglementation afin d'éviter les vides juridiques, notamment, qui sont toujours possibles. II faut donc anticiper le vrai du faux, l'utile de l'inutile, l'éthique du non-éthique si on veut que l'alliance MÉDECINE / IA se fasse avec les bonnes règles. Il est en réalité nécessaire d'examiner "la pertinence de l'IA dans le domaine médical". Celle d'aujourd'hui et celle qui se profile à l'horizon. Anticiper, c'est la règle à suivre, cependant aurons-nous la faculté d'anticiper la médecine de demain aux côtés de l'IA ?

Copyright : Dr Jean-Pierre Laroche / 2025